BMAM: 脳型マルチエージェントメモリフレームワーク

BMAM: Brain-inspired Multi-Agent Memory Framework

January 28, 2026

著者: Yang Li, Jiaxiang Liu, Yusong Wang, Yujie Wu, Mingkun Xu

cs.AI

要旨

長期的な相互作用において動作する言語モデルベースのエージェントは、時間的に接地された情報の持続的維持およびセッション間での行動的一貫性の維持という課題に直面しており、我々はこの失敗モードを「魂の侵食（soul erosion）」と呼ぶ。本論文ではBMAM（Brain-inspired Multi-Agent Memory）を提案する。これは、エージェントのメモリを単一の非構造化ストアではなく、機能的に専門化されたサブシステムの集合としてモデル化する汎用メモリアーキテクチャである。BMAMは認知記憶システムにヒントを得て、メモリをエピソード記憶、意味記憶、顕著性認識記憶、制御指向記憶の構成要素に分解し、これらが補完的な時間スケールで動作する。長期的推論を支援するため、BMAMはエピソード記憶を明示的なタイムラインに沿って整理し、複数の補完的な信号を融合することで証拠を検索する。LoCoMoベンチマークによる実験では、BMAMは標準的な長期評価設定において78.45%の精度を達成し、 ablation分析により、海馬にヒントを得たエピソード記憶サブシステムが時間推論において重要な役割を果たすことが確認された。

English

Language-model-based agents operating over extended interaction horizons face persistent challenges in preserving temporally grounded information and maintaining behavioral consistency across sessions, a failure mode we term soul erosion. We present BMAM (Brain-inspired Multi-Agent Memory), a general-purpose memory architecture that models agent memory as a set of functionally specialized subsystems rather than a single unstructured store. Inspired by cognitive memory systems, BMAM decomposes memory into episodic, semantic, salience-aware, and control-oriented components that operate at complementary time scales. To support long-horizon reasoning, BMAM organizes episodic memories along explicit timelines and retrieves evidence by fusing multiple complementary signals. Experiments on the LoCoMo benchmark show that BMAM achieves 78.45 percent accuracy under the standard long-horizon evaluation setting, and ablation analyses confirm that the hippocampus-inspired episodic memory subsystem plays a critical role in temporal reasoning.